iTextSharp 在 pdf 文件中的单词中插入空格

Posted 2023-03-07

【中文标题】iTextSharp 在 pdf 文件中的单词中插入空格

【英文标题】：iTextSharp inserting spaces within words from a pdf file

【发布时间】：2017-02-06 17:25:31

【问题描述】：

使用 iTextSharp，我正在尝试从以下 pdf 文件中提取文本：

https://www.treasury.gov/ofac/downloads/sdnlist.pdf

这是代码：

var currentText = PdfTextExtractor.GetTextFromPage(pdfReader, 2, new SimpleTextExtractionStrategy());
                   if (currentText.Length > 0)
                            
                                var capture = new Capture();
                                capture.Text = currentText;

                                // write the results to the DB, if any data was found
                                _dataService.AddCapture(capture);
                            

使用 SimpleTextExtractionStrategy，将结果写入数据库，单词中包含无数不需要的空格。第2页的前几行写成：

外国资产控制办公室特别指定的国民和受阻人员 2017 年 2 月 3 日 - 2 - A.A.树莓派；一个.k。 一种。 AL MAZ -AN TEY MSDB；又名AL MAZ -ANTEY PV O 'AI R DEFENSE' CO NCERN LEAD SYSTEM M S DESIGN BUREAU OAO ' OPEN JO INT -STOCK COMPANY' IMNI ACADEMIC IAN A.A .拉斯普林；又名去爱吧 SISTEMN OYE KONS TRUKT ORSKOY E BYURO OPEN J OIN T-S TOCK C OMP ANY ALMAZ -AN TEY PVO 关注 I Men I ACADEMICIAN A .A.锉锡； 又名一种。 JO INT STOCK COMPANY A LMA Z-AN TEY AI R DEFENSE CON CERN 由 ACADE MICIAN A.A. 命名的系统设计局硕士

例如，请参见第 4 行和第 6 行中的单词“JO INT”，以及倒数第二行中的单词“CON CERN”。这些类型的空间出现在整个结果中。不幸的是，这将使查询文本变得不可能。

有谁知道为什么会这样以及如何解决这个问题？

【参考方案1】：

为什么这样做

原因实际上是文本提取策略的一个特征，在您的情况下它不能按预期工作。

一点背景知识：您认为 PDF 文件中单词之间的空格不一定是由于指令绘制空格字符而产生的，它也可能是由于指令将文本插入位置向右移动一点。因此，文本提取策略通常会在找到足够大的右移时添加空格字符。对于更多关于这个（特别是“足够大”的部分）赋予例如this answer.

但是，对于您的文档，文本正文字体的字体宽度信息太小（如果按原样使用，则字符看起来粘在一起，中间没有任何空格）；因此，每对连续字符之间存在小的右移，其中一些移宽到足以被上述机制错误地识别为单词分离。

如何解决这个问题

由于 PDF 中的分词是通过绘制空格字符的说明创建的，因此您不需要上述功能。因此，解决问题的最简单方法是使用没有该功能的文本提取策略。

您可以通过复制SimpleTextExtractionStrategy 的源代码（例如来自here）来创建这样的策略，并在方法RenderText 中注释掉一些行，如下所示：

public virtual void RenderText(TextRenderInfo renderInfo)

    [...]

    if (hardReturn)
    
        //System.out.Println("<< Hard Return >>");
        AppendTextChunk('\n');
    
    else if (!firstRender)
    
//        if (result[result.Length - 1] != ' ' && renderInfo.GetText().Length > 0 && renderInfo.GetText()[0] != ' ')
//         // we only insert a blank space if the trailing character of the previous string wasn't a space, and the leading character of the current string isn't a space
//            float spacing = lastEnd.Subtract(start).Length;
//            if (spacing > renderInfo.GetSingleSpaceWidth() / 2f)
//            
//                AppendTextChunk(' ');
//                //System.out.Println("Inserting implied space before '" + renderInfo.GetText() + "'");
//            
//        
    
    else
    
        //System.out.Println("Displaying first string of content '" + text + "' :: x1 = " + x1);
    

    [...]

使用这种简化的提取策略，可以正确提取您的文本。

【讨论】：

我在这些地方见过你，你肯定是这个主题的王者。感谢您的大智慧和帮助！